深度学习神经网络进化方法、装置、介质和计算机设备制造方法及图纸

本发明专利技术涉及一种深度学习神经网络进化方法、装置、介质和计算机设备。该方法包括：将输入数据输入调取的已训练的深度学习神经网络得到输出数据，记录使用时间及获取对应的真实结果数据；按照预设的抽查规则选取使用过程中的输入数据、输出数据、使用时间和真实结果数据；将选取的输入数据及对应的输出数据、真实结果数据和使用时间组成数据组；计算数据组中输出数据与真实结果数据的差异值，统计预设时间段内所有数据组中差异值大于预设阈值的差异组的组数；若组数大于或等于存储的组数阈值，根据差异组的输入数据和真实结果数据对已训练的深度学习神经网络进行训练得到进化后的深度学习神经网络。如此可纠正深度学习神经网络的偏差，提高准确率。

【技术实现步骤摘要】
深度学习神经网络进化方法、装置、介质和计算机设备
本专利技术涉及计算机
，特别是涉及一种深度学习神经网络进化方法、装置、介质和计算机设备。
技术介绍
神经网络是一种进行分布式并行信息处理的算法数学模型，常用于智能机器识别。深度学习神经网络是通过样本数据训练进行深度学习并通过测试之后得到的神经网络，其中，深度学习分有监督学习和无监督学习。通常在得到深度学习神经网络之后，深度学习神经网络不会更改，即在已训练深度学习神经网络的使用过程中不会改变。然而，深度学习神经网络的训练和测试的数据毕竟有限，准确率不能保证，且随着已训练深度学习神经网络的使用过程中输入的数据随时间发生变化，当使用时间较长时，深度学习神经网络的准确率降低。例如识别某个人的人脸识别深度学习神经网络，当这个人随着年龄增长，其脸也在不断发生变化，所以该人脸识别深度学习神经网络的适用性在不断地变差，准确率降低。
技术实现思路
基于此，有必要针对传统的深度学习神经网络准确率低的问题，提供一种可提高深度学习神经网络准确率的深度学习神经网络进化方法、装置、介质和计算机设备。一种深度学习神经网络进化方法，包括：调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据；按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据；将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组；计算每个数据组中输出数据与同组内对应的真实结果数据的差异值，以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组，统计所述差异组的组数；若所述组数大于或等于存储的组数阈值，则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络。一种深度学习神经网络进化装置，包括：数据获取模块，用于调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据；数据选取模块，用于按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据；数据保存模块，用于将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组；组数统计模块，用于计算每个数据组中输出数据与同组内对应的真实结果数据的差异值，以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组，统计所述差异组的组数；网络进化模块，用于在所述组数大于或等于存储的组数阈值时，将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络。上述深度学习神经网络进化方法和装置，通过将输入数据输入已训练的深度学习神经网络进行深度学习得到输出数据，选取输入数据及与输入数据对应的输出数据、使用时间和对应的真实结果数据并将相对应的数据作为一个数据组，统计使用时间属于预设时间段内的所有数据组中、输出数据与对应的真实结果数据的差异值大于预设阈值的差异组的组数；在组数大于或等于组数阈值时，采用差异组的输入数据和对应的真实结果数据来对已训练的深度学习网络进行训练，从而在已训练的深度学习神经网络的使用过程中进行进化，可纠正深度学习神经网络的偏差，提高深度学习神经网络的准确率。一种介质，存储有计算机程序，存储的计算机程序被处理器执行时实现上述深度学习神经网络进化方法的步骤。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述深度学习神经网络进化方法的步骤。上述介质和计算机设备，由于实现了上述深度学习神经网络进化方法的步骤，同理可提高深度学习神经网络的准确率。附图说明图1为一实施例中深度学习神经网络进化方法的流程图；图2为一实施例中将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络的具体流程图；图3为含多个隐层的深度学习的模型图；图4为深度学习的核心思路示意图；图5为一实施例中深度学习神经网络进化装置的结构图。具体实施方式参考图1，在一个实施例中，提供一种深度学习神经网络进化方法，包括如下步骤：S110：调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应输入数据的真实结果数据。输入数据是用于输入深度学习神经网络的数据，具体地，在步骤S110之前还包括步骤：获取输入数据。输入数据可以通过采集或用户输入得到，输入数据的类型由对应的深度学习神经网络的类型确定；例如，若深度学习神经网络为用于人脸识别的神经网络，则输入数据为人脸图像数据；若深度学习神经网络为用于语音识别的神经网络，则输入数据为语音数据。其中，使用时间是将输入数据输入已训练的深度学习神经网络的时间，也可以是得到输出数据的时间。可选地，使用时间可以是以日期为单位，也可以是精确到日期内的具体时刻。对应的真实结果数据是对应输入数据的客观现实结果，可以通过用户反馈得到；对应的真实结果数据也可以根据人工检测输入数据得到。例如，输入数据为人脸图像数据，则可以直接由用户反馈“0”或“1”作为对应的真实结果数据，也可以通过人工检测得到“0”或“1”，“0”和“1”分别表示输入的人脸图像数据对应为非目标人物的人脸、输入的人脸图像数据对应为目标人物的人脸。已训练的深度学习神经网络是需要进行进化的深度学习神经网络。其中，输出数据与对应的真实结果数据的格式相同，便于比较；例如，输出数据和真实结果数据均用“0”和“1”分别表示输入的人脸图像数据对应为非目标人物的人脸、输入的人脸图像数据对应为目标人物的人脸。S130：按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据。步骤S110中将输入数据输入已训练的深度学习神经网络是对已训练的深度学习神经网络的使用，多次进行步骤S110则可以得到每一次使用对应的输入数据、输出数据、使用时间和真实结果数据。如果每次使用已训练的深度学习神经网络所对应的数据都获取，会导致数据处理成本过高，所以需要采用抽查的方式来降低数据处理成本。例如，预设的抽查规则可以是每K次使用中获取1次使用的输入数据、输出数据、使用时间和对应的真实结果数据，其中，K取大于1的数，例如100。S150：将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组。具体地，S150可以包括：将S130中每次获取到的输入数据、对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组并保存。具体可以是将数据组保存在数据库中，比如可以存入进化知识库。例如，存入进化知识库中的一个数据组：1月1日，输入数据为人脸图像A，输出数据为1(代表是张三人脸)，对应的真实结果数据为1(代表是张三人脸)。S170：计算每个数据组中输出数据与同组内对应的真实结果数据的差异值，本文档来自技高网...

【技术保护点】
一种深度学习神经网络进化方法，其特征在于，包括：调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据；按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据；将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组；计算每个数据组中输出数据与同组内对应的真实结果数据的差异值，以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组，统计所述差异组的组数；若所述组数大于或等于存储的组数阈值，则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络。

【技术特征摘要】
1.一种深度学习神经网络进化方法，其特征在于，包括：调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据；按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据；将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组；计算每个数据组中输出数据与同组内对应的真实结果数据的差异值，以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组，统计所述差异组的组数；若所述组数大于或等于存储的组数阈值，则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络。2.根据权利要求1所述的深度学习神经网络进化方法，其特征在于，所述将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组之后，所述若所述组数大于或等于存储的组数阈值，则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络之前，还包括：根据所述数据组获取当前的组数阈值并存储。3.根据权利要求2所述的深度学习神经网络进化方法，其特征在于，所述根据所述数据组获取当前的组数阈值并存储，包括：统计所述使用时间属于所述预设时间段内的数据组的总组数；根据所述总组数计算得到当前的组数阈值并存储，其中，当前的组数阈值小于所述总组数。4.根据权利要求3所述的深度学习神经网络进化方法，其特征在于，所述根据所述总组数计算得到当前的组数阈值并存储，包括：计算所述总组数与第一预设比例的乘积得到当前的组数阈值并存储，所述第一预设比例大于零且小于1。5.根据权利要求2所述的深度学习神经网络进化方法，其特征在于，所述根据所述数据组获取当前的组数阈值并存储，包括：统计所述使用时间属于预设参考时间段内的数据组中、对应差异值大于所述预设阈值的数据组的数量；根据所述数量计算得到当前的组数阈值并存储。6.根据权利要求5所述的深度学习神经网络进化方法，其特征在于，所述预设时间段为以当前时刻为结束点的对已训练的深度学习神经网络进行预设次数的使用的时间段，或所述预设时间段为以当前时刻为结束点、时长为第一预设时长的时间段；所述预设参考时间段为以预设起始时刻为起始点、预设结束时刻为结束点的时间段，或所述预设参考时间段为以已训练的深度学习神经网络第一次使用的时刻为起始点、时长为所述第一预设时长的时间段，或所述预设参考时间段为以已训练的深度学习神经网络第一次使用的时刻为起始点、使用次数为所述预设次数的时间段，或所述预设参考时间段为以当前时刻的第二预设时长之前的时刻为结束点、时长为所述第一预设时长的时间段，或所述预设参考时间段为以当前时刻的第二预设时长之前的时刻为结束点、使用次数为所述预设次数的时间段；其中，第二预设时长大于第一预设时长。7.根据权利要求1所述的深度学习神经网络进化方法，其特征在于，所述将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络，包括：将所有差异组中的输入数据输入已训练的深度学习神经网络进行无监督学习，得到初步进化的深度学习神经网络；将所有差异组中的输入数据和对应...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44